Gallica : OLR corrigé de documents de presse

Ce jeu de données contient des pages corrigées ("vérité terrain") de documents numérisés de collections de presse traités avec une reconnaissance des articles (OLR, optical layout recognition).

XML OLR OCR GT Presse Textes Documents
Liste des adresses URL de la collecte consacrée à l'épidémie de Covid-19 par la BnF

Dans le cadre de sa mission patrimoniale de dépôt légal de l’internet, la BnF collecte régulièrement un échantillon du web français, constitué à partir de collectes larges et de collectes ciblées. Ces…

CSV Covid-19 Sites web Chercheurs
Gallica : texte océrisé des monographies de langue française

Ce jeu de données fournit le texte océrisé des monographies en langue française de la collection numérique de Gallica.

CSV Texte OCR Documents Textes Lexicométrie
Gallica : documents produits au format TEI

Ce jeu de données contient le mode texte des documents de Gallica traités par l’Observatoire de la vie littéraire (Labex OBVIL). Le corpus est en français, issu majoritairement de l’édition du XIXe…

JSON OCR Textes Documents TEI
Liste des adresses URL des collectes ciblées du web français par la BnF

Dans le cadre de sa mission patrimoniale de dépôt légal de l’internet, la BnF collecte régulièrement un échantillon du web français, constitué à partir de collectes larges et de collectes ciblées. Ces…

CSV RTF ZIP Sites web Archives de l'internet Chercheurs
Documents de presse numérisés en mode « article » du projet Europeana Newspapers

Ce jeu de données contient les documents numériques des collections de presse traitées durant le projet européen Europeana Newspapers avec une reconnaissance de la mise en page (OLR, optical layout…

METS ALTO OLR GT Textes Presse Europeana Newspapers
Données statistiques sur les documents reçus au titre du Dépôt Légal

La mission de dépôt légal dont la BnF est chargée permet de collecter et signaler tout ce qui est publié et/ou diffusé sur le territoire français, de façon exhaustive pour les documents imprimés, de…

XLS / XLSX Jeunesse Livres Périodiques Cartes Partitions Vidéos Jeux vidéos Sons Sites web
Gallica : texte corrigé et OCR de documents

Ce jeu de données contient les textes océrisés et corrigés de documents des collections monographiques et périodiques de Gallica. Alignement entre texte OCR et texte corrigé

Texte OCR GT Textes Documents
Texte de presse annoté en entités nommées

Ces jeu de données sont constitués de textes extraits de documents des collections de presse traitées durant les projets européens Europeana Newspapers et NewsEye et dont les d’entités nommées ont été…

Texte NLP GT Textes Presse Europeana Newspapers Documents
Gallica : OCR corrigé de documents de presse

Ce jeu de données contient des pages corrigées (vérité terrain) de documents numériques de collections de presse traités avec de l'OCR (optical characters recognition). …

XML OCR GT Textes Presse Documents